糧食不完善粒自動識別研究進展

□ 王秀兵 濟寧市儲備糧管理處 朱志選 臨沂市糧食質量檢測中心

不完善粒是指有蟲蝕、病斑、生霉、生芽、霉變、破損、凍傷、熱損傷或未熟等缺陷但仍有使用價值的糧食、油料顆粒[1]。不完善粒是衡量糧食質量的一項重要指標。目前，國家標準中對不完善粒采用的是傳統的感官檢測方法。該方法存在耗時、費力，重復性、再現性差等缺點，尤其是不同檢測人員主觀性差別大，易導致檢測結果不一致[2-5]。為滿足實際應用中大規模糧食快速無損檢測的要求，機器化、智能化檢測糧食不完善粒的技術研究成為主要方向。

隨著信息技術和機器識別理論的不斷發展和完善，計算機數字圖像分析技術被應用到糧食不完善粒檢測上來，依據其原理主要分為兩類。一種是傳統的機器識別。對糧食籽粒圖像進行采集，然后進行圖像優化處理、提取顏色、形態、紋理等特征參數，用數據分析模型進行識別評價[6]。另外一種是基于深度學習理論的人工神經網絡。采集糧食籽粒圖像數據，無需預處理和特征參數提取，直接對二維圖像進行特征識別和分類[7]。

1 圖像采集

獲得優質圖像是準確識別不完善粒的前提。采集之前，應調整好焦距及樣品位置，以便獲得最佳采集效果。固定合適的參數方便后期的采集。張玉榮等選擇帶LED光源，黑色環氧樹脂背景的試驗箱內進行玉米籽粒圖像采集，亮度為-30，對比度30，分辨率600 dpi。董晶晶等采用SOC710VP高光譜成像光譜儀進行小麥籽粒圖像采集，參數選擇10×10網格，圖像分辨率696×520 pixel，光譜掃描范圍493～1 106 nm，掃描速度30 lines，波段數116個。此法綜合了機器視覺和光譜分析的優點，既能獲得糧食籽粒的外部圖像信息，又能獲得糧食籽粒內部的品質信息。

2 圖像預處理

圖像采集過程中由于環境等因素的影響產生噪聲，使圖像質量下降，需對圖像進行優化處理。圖像預處理的方法主要有濾波、灰度轉換、圖像分割等。

2.1 濾波處理

圖像經濾波處理后，有利于平滑、銳化及邊緣檢測，通過算法替換噪聲點的值以消除該異常值。最常用的是均值濾波和中值濾波。其原理是對圖像中某個待處理的像素，選擇一個模版，該模版由其鄰近的若干個像素組成，用模版中像素的灰度平均值來替代原像素的灰度值[8]。張玉榮等選擇均值濾波處理，認為其效果最好。

2.2 灰度轉換

采集到的彩色圖像一般是256色的圖像，其色彩內容相對比較復雜，不利于圖像的算法處理，因此需要將彩色圖像轉換為灰度圖像，簡化圖像內容，提高處理效率[9]。主要是指RGB圖像的轉換，灰度圖像沒有RGB的差異，只是亮度上的不同。目前常用的有三種方式：最大值法、平均值法和加權平均值法。

2.3 圖像分割

圖像分割即依據形態、顏色、紋理等參數的差異性把圖像分割成若干區域，使得不同區域具有明顯的區分度。分割主要考慮閾值、邊緣、區域、圖論、能量泛函等的差異性。對獲得的糧食圖像進行區域分割處理，獲得糧食單粒圖像，既可以去除無用信息，又可大幅減少圖像數據。目前，將單粒圖像從背景中分割出來的方法主要有最大類間方差法（OSTO）和最大方差自動取閾法[10-12]。

3 特征參數提取

特征是影響識別率的重要因素。不完善粒在外觀、顏色、光滑度等方面存在明顯差異。故一般提取形態、紋理和顏色特征參數來綜合分析識別不完善粒。目前開展的研究中選取的特征參數大同小異。顏色特征提取一般選擇最通用的RGB模型，此外HSI模型也被廣泛應用。形態特征參數主要選取籽粒長軸長、短軸長、長寬比、周長、面積、伸展度、等效圓直徑、區域填充面積、離心率、緊湊度等參數。紋理是圖像中特征值強度的某種局部重復模式的宏觀表現，具有較強的重復性和平穩性，體現了宏觀意義上的圖像特征變化的某些規律[13]。參數選擇平滑度、對比度、一致性、三階矩、熵等。

4 模式識別分析

特征參數提取后，即可進行圖像識別分析。它屬于模式識別的一種。糧食品質檢測領域主要采用基于統計模式的識別和人工神經網絡的識別。而且隨著人工智能的發展，CNN、BP、SVM可將獲得的各種特征信息進行綜合分析處理，提高識別精度。

4.1 CNN模型

CNN模型，即卷積神經網絡模型，是一種特殊的深層神經網絡模型。常用的有LeNet、AlexNet、VGG、ResNet等。與傳統識別方法相比，降低了數值的維數和過擬合的程度，而且容錯能力好，可以有效提取數據的局部特征進行分類。CNN模型中，將圖像分割后的局部區域作為層次結構中的底層的輸入信息，數據依次傳播通過中間各層，每層的過濾器會集并數據中的顯著特征參數。鑒于局部區域圖像邊界等基礎特征的相似性，該法可以提供對位移、拉伸、旋轉的穩定性。

4.2 SVM模型

SVM即支持向量機，在非線性映射確定的高維特征空間上構造最優分類超平面，將輸入量映射至該平面。將非線性分類問題轉化為線性分類問題。與傳統算法相比減小了誤差，提高了效率和精度。作為一種基于統計學習理論的模式識別方法，被廣泛應用在小樣本、非線性及高維模式圖像識別中，具有較強的泛化能力。

4.3 BP神經網絡

BP 神經網絡是神經網絡的一種，屬于多層的前饋神經網絡。包含信號的前傳播和誤差的逆向傳播兩個過程。在信號傳播過程中，不斷調試各層權值，直至輸出值的誤差降低到可以接受的水平，或者達到預先設定的調試次數。張玉榮等利用主成分分析確定了7個主成分因子，并建立了7-15-7的三層BP神經網絡模型，各類型不完善粒正確識別率在90%以上。

5 存在的問題

目前的研究大多是建立在靜態圖像采集基礎上的，而實際檢測中需要從快速運動的糧食籽粒群體中提取有效圖像特征，這就對圖像特征表現能力提出了更高要求，也是下一步需要解決的問題。

實際應用過程中會存在少許誤判的情形，各種方法的識別準確率并未達到100%。例如：一些芽或幼根未突破表皮，隆起不明顯的生芽粒，即萌動粒會被誤判為完善粒。這表明有些差異不能僅用顏色和紋理特征進行準確衡量，存在一定模糊性。下一步可以考慮糧食籽粒內部信息與外部特征相結合的方式，獲得更高的分析檢測潛質。

實際應用場景中，由于外界環境的影響，無法保證絕對均勻的光照條件和杜絕噪聲的引入，因此有必要提高分析模型的泛化能力，使得模型對此兩種因素可以更好地匹配。